復(fù)雜場(chǎng)景下無(wú)人駕駛模擬仿真

王軍茹，陳子岐，王軍平

(1.北京信息科技大學(xué) 自動(dòng)化學(xué)院,北京 100192；2.中國(guó)科學(xué)院 自動(dòng)化研究所,北京 100190)

0 引言

從全人類駕駛到全自動(dòng)駕駛的過(guò)程被國(guó)際汽車工程學(xué)會(huì)(Society of Automotive Engineers，SAE)分為6級(jí)，即SAE Level 0級(jí)別至SAE Level 5級(jí)別。目前大概處于2.5～3級(jí)。無(wú)人駕駛的研究方法有4種：1)閉門測(cè)試：即簡(jiǎn)單測(cè)試場(chǎng)單車測(cè)試；2)蠻力測(cè)試：即讓無(wú)人駕駛汽車在實(shí)際道路網(wǎng)上行駛數(shù)百萬(wàn)英里；3)測(cè)試場(chǎng)綜合測(cè)試：即在包含高速公路、隧道、鄉(xiāng)間小路、城市交叉口等各種各樣的道路形式上進(jìn)行測(cè)試；4)交通仿真+測(cè)試場(chǎng)聯(lián)合測(cè)試：即先采取模擬的方式進(jìn)行測(cè)試，基于此開(kāi)展各種各樣復(fù)雜場(chǎng)景的測(cè)試研究，再進(jìn)行測(cè)試場(chǎng)測(cè)試?！敖煌ǚ抡?測(cè)試場(chǎng)聯(lián)合測(cè)試”是當(dāng)前最領(lǐng)先的測(cè)試研究方法，也是各研究機(jī)構(gòu)和高校在無(wú)人駕駛領(lǐng)域研究的熱點(diǎn)[1]。

近幾年來(lái)由于深度學(xué)習(xí)的興起，人工智能的飛速發(fā)展，傳感器的更新?lián)Q代，以及機(jī)器視覺(jué)的應(yīng)用，自動(dòng)駕駛成為人工智能領(lǐng)域最熱門的研究方向之一。自動(dòng)駕駛高速發(fā)展的同時(shí)，也面臨著高精度傳感器的標(biāo)準(zhǔn)化，通信、大數(shù)據(jù)處理以及立法問(wèn)題等諸多挑戰(zhàn)。近幾年隨著通用處理器(general processing unit，GPU)的飛速發(fā)展，云機(jī)算力呈指數(shù)性提高，使得模擬環(huán)境的仿真程度與真實(shí)環(huán)境相差無(wú)幾。面對(duì)諸多挑戰(zhàn)以及關(guān)系到行車人員的生命財(cái)產(chǎn)安全，基于無(wú)人駕駛模型的模擬仿真具有極其重要的意義[2]。

深度學(xué)習(xí)是推動(dòng)人工智能革命最重要的技術(shù)之一，從圖像分類到文本識(shí)別，基于深度神經(jīng)網(wǎng)絡(luò)的模型在實(shí)驗(yàn)中不斷被證實(shí)明顯優(yōu)于傳統(tǒng)模型。實(shí)現(xiàn)車輛自動(dòng)駕駛需要大量標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，而深度學(xué)習(xí)領(lǐng)域的發(fā)展為收集和維護(hù)這些數(shù)據(jù)集提供了便利條件[3-4]?；谝曨l攝像頭拍攝和感知駕駛周圍環(huán)境，進(jìn)而產(chǎn)生駕駛車輛所需控制信號(hào)，進(jìn)行無(wú)人駕駛模擬仿真是目前無(wú)人輔助駕駛的主要研究方向[5-7]。無(wú)人駕駛模擬仿真中目前還存在著復(fù)雜場(chǎng)景的數(shù)據(jù)難以融合、動(dòng)態(tài)環(huán)境下建模困難和穩(wěn)定性差及精度低等問(wèn)題。深度強(qiáng)化學(xué)習(xí)不僅能利用現(xiàn)有數(shù)據(jù)，還可以通過(guò)對(duì)環(huán)境的探索獲得新數(shù)據(jù)，并循環(huán)往復(fù)地更新迭代現(xiàn)有模型。因此目前在無(wú)人駕駛研究中深度學(xué)習(xí)適合于已知場(chǎng)景特征數(shù)據(jù)下的模擬仿真，而深度強(qiáng)化學(xué)習(xí)更適合于現(xiàn)實(shí)場(chǎng)景動(dòng)態(tài)變化情況下的訓(xùn)練和測(cè)試[8-11]。

本文主要研究在深度學(xué)習(xí)框架下無(wú)人駕駛模型對(duì)周圍復(fù)雜場(chǎng)景的感知、圖像識(shí)別，并在行進(jìn)狀態(tài)下對(duì)模擬仿真控制決策的傳統(tǒng)算法進(jìn)行改良，在卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)的基礎(chǔ)上對(duì)圖像主要識(shí)別區(qū)域進(jìn)行重新劃分，以達(dá)到匹配硬件條件來(lái)減少訓(xùn)練時(shí)間和提高訓(xùn)練精度的目的，對(duì)無(wú)人駕駛模型在行進(jìn)狀態(tài)下決策控制做出適應(yīng)環(huán)境變化的調(diào)整以達(dá)到?jīng)Q策的準(zhǔn)確性。

1 仿真方案設(shè)計(jì)

本文設(shè)計(jì)的無(wú)人駕駛模擬仿真方案分為3個(gè)部分：復(fù)雜場(chǎng)景的特征感知及訓(xùn)練數(shù)據(jù)融合到動(dòng)態(tài)環(huán)境中；無(wú)人駕駛模型的建立和訓(xùn)練；最后于AirSim平臺(tái)進(jìn)行自適應(yīng)仿真測(cè)試對(duì)模型保真度進(jìn)行分析。模型的保真度是對(duì)模型與真實(shí)對(duì)象間差別的描述，保真度越高越接近真實(shí)的對(duì)象，無(wú)人駕駛仿真模型的保真度就是仿真與真實(shí)無(wú)人駕駛車輛行進(jìn)控制的接近程度。系統(tǒng)整體設(shè)計(jì)方案如圖1所示。

圖1 整體設(shè)計(jì)方案

從場(chǎng)景圖像處理開(kāi)始，采用AirSim平臺(tái)作為模擬器，使用微軟在2018年采集的山地場(chǎng)景圖像數(shù)據(jù)集作為復(fù)雜場(chǎng)景的初始圖像數(shù)據(jù)集。從版本 1.2 開(kāi)始，AirSim 能夠支持多載具，允許創(chuàng)建多個(gè)汽車來(lái)控制它們，但多個(gè)車輛控制非常復(fù)雜。本文研究復(fù)雜地形環(huán)境下單個(gè)汽車無(wú)人駕駛仿真控制。

本文采用在機(jī)器視覺(jué)和圖像處理中使用頻率最高的關(guān)注區(qū)域(region of interest，ROI)技術(shù)，勾勒出需要處理的區(qū)域(路面場(chǎng)景)，并對(duì)場(chǎng)景圖像進(jìn)行不同駕駛策略的分析。在處理數(shù)據(jù)集方面采用matplotlib函數(shù)對(duì)復(fù)雜場(chǎng)景數(shù)據(jù)集進(jìn)行分類歸納，最終分析數(shù)據(jù)點(diǎn)的分布并對(duì)缺少的訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)齊和數(shù)據(jù)融合，將最后得到的數(shù)據(jù)集進(jìn)行整合用于模型訓(xùn)練和測(cè)試。

在場(chǎng)景圖像數(shù)據(jù)集建立完成后，進(jìn)行基于Anaconda平臺(tái)的Python3.5語(yǔ)言的算法編程，采用Keras API的深度學(xué)習(xí)框架作為前端，與之匹配的TensorFlow作為后端架構(gòu)，并采用在深度學(xué)習(xí)無(wú)人駕駛領(lǐng)域表現(xiàn)良好的CNN結(jié)構(gòu)進(jìn)行模型的構(gòu)建，在本地進(jìn)行多個(gè)周期的模型訓(xùn)練和測(cè)試，得出不同損失值的模型。

2 復(fù)雜場(chǎng)景特征感知

采集和處理場(chǎng)景數(shù)據(jù)是無(wú)人駕駛模擬仿真的第一步，首先需要對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行ROI區(qū)域增強(qiáng)。場(chǎng)景數(shù)據(jù)中，除去與駕駛策略相關(guān)的路面情況外，還有諸多干擾因素，如天空、飛鳥和遠(yuǎn)處的山脈等。故如果針對(duì)整張圖像進(jìn)行處理，會(huì)大大增加處理時(shí)間，且由于天空光照的存在，也勢(shì)必會(huì)對(duì)路面造成影響。matplotlib函數(shù)中原算法ROI區(qū)域劃分較大，除囊括了行駛道路以外，還包括了一部分遠(yuǎn)端相對(duì)模糊的路面和部分無(wú)關(guān)環(huán)境要素(樹(shù)木、山坡等)。如圖2顯示的是原算法策略ROI區(qū)域增強(qiáng)效果。本文舍棄原算法中對(duì)更遠(yuǎn)處場(chǎng)景做出預(yù)處理來(lái)提高后期模型訓(xùn)練的長(zhǎng)時(shí)策略；針對(duì)于匹配小數(shù)據(jù)量的訓(xùn)練集對(duì)其進(jìn)行改進(jìn)，專注于短期路程的即時(shí)策略。

圖2 原算法策略ROI區(qū)域增強(qiáng)

改良算法策略ROI區(qū)域增強(qiáng)效果如圖3所示。算法改良后雖然處理場(chǎng)景數(shù)據(jù)時(shí)減少了對(duì)更遠(yuǎn)距離場(chǎng)景的長(zhǎng)久規(guī)劃能力，但卻在短距離的即時(shí)策略中能保證更高的精確度，綜合設(shè)計(jì)硬件條件，減小ROI區(qū)域能最優(yōu)化處理速度和精度。從圖2和圖3對(duì)比可以看出，改良后的ROI更偏重當(dāng)前路面的復(fù)雜情況，同時(shí)少量兼顧未來(lái)路況，在節(jié)省算力的同時(shí)，能更精確提取當(dāng)前環(huán)境特征，提高了在山路中山石、坡路、急彎等復(fù)雜路況的魯棒性。

圖3 改良算法策略ROI區(qū)域增強(qiáng)

本文中駕駛策略分為正常行駛策略(normal)和轉(zhuǎn)向策略(swerve)兩種，分別對(duì)應(yīng)駕駛中直行策略和轉(zhuǎn)彎策略。不同策略下行駛情況如圖4所示。

圖4 不同駕駛策略數(shù)據(jù)點(diǎn)分布

從圖4可以看出，兩種不同的行駛策略存在明顯差異：實(shí)線表示正常行駛的駕駛策略，從數(shù)據(jù)中可以直觀發(fā)現(xiàn)其轉(zhuǎn)向角基本為零，這就能保證汽車可以正常沿直線行駛而不至于偏離正常車道過(guò)多；虛線代表的是轉(zhuǎn)向策略，很容易發(fā)現(xiàn)其轉(zhuǎn)向角在一個(gè)很大范圍內(nèi)不斷波動(dòng)，而將此策略代入汽車模型中，就會(huì)出現(xiàn)汽車在道路上左右搖擺的狀況，導(dǎo)致汽車行駛狀態(tài)不穩(wěn)繼而引發(fā)安全問(wèn)題。

將圖4中不同行駛策略下的場(chǎng)景數(shù)據(jù)點(diǎn)數(shù)量進(jìn)行匯總計(jì)算，其中有25.51%(11 925個(gè))的數(shù)據(jù)點(diǎn)為轉(zhuǎn)向策略，有74.49%(34 814個(gè))的數(shù)據(jù)點(diǎn)為正常行駛策略，轉(zhuǎn)向策略可供使用的場(chǎng)景數(shù)據(jù)較少，會(huì)導(dǎo)致訓(xùn)練不完整。本文設(shè)計(jì)的模型完全依靠場(chǎng)景數(shù)據(jù)集來(lái)提供訓(xùn)練信息和測(cè)試數(shù)據(jù)。為了能處理模型最終遇到的所有可能出現(xiàn)的急轉(zhuǎn)彎，并在偏離道路時(shí)能進(jìn)行自我修正，需要想辦法來(lái)解決轉(zhuǎn)向數(shù)據(jù)點(diǎn)不足的問(wèn)題。本文采用了垂直翻轉(zhuǎn)公差方法解決轉(zhuǎn)向數(shù)據(jù)點(diǎn)不足，具體方法是：對(duì)于搜集到的有效數(shù)據(jù)點(diǎn)，把圖像繞Y軸翻轉(zhuǎn)，同時(shí)將轉(zhuǎn)向角的符號(hào)也取反。這樣可實(shí)現(xiàn)可用的數(shù)據(jù)點(diǎn)數(shù)量的翻倍，進(jìn)行簡(jiǎn)單的數(shù)據(jù)融合就可以將其全部編入訓(xùn)練集中。

最后使用matplotlib對(duì)搜集到的場(chǎng)景數(shù)據(jù)進(jìn)行匯總和觀察。正常策略和轉(zhuǎn)向策略轉(zhuǎn)向角分布分別如圖5和圖6所示。圖中橫坐標(biāo)為歸一化的角度，縱坐標(biāo)為轉(zhuǎn)向角歸一化處理后單位時(shí)間(1s)內(nèi)在正常策略和轉(zhuǎn)向策略下轉(zhuǎn)向角出現(xiàn)的次數(shù)，即出現(xiàn)的頻率。從圖中可以看出，正常行駛策略中，方向盤的角度幾乎總是為0，而在模型仿真行駛過(guò)程中，如果這部分沒(méi)有被降采樣的話，會(huì)導(dǎo)致模型總是將轉(zhuǎn)向角預(yù)測(cè)為0，導(dǎo)致汽車將無(wú)法轉(zhuǎn)彎；而在轉(zhuǎn)彎策略中，汽車出現(xiàn)了急轉(zhuǎn)彎策略而不是出現(xiàn)在正常行駛策略中，也正驗(yàn)證了上文中對(duì)可用數(shù)據(jù)點(diǎn)場(chǎng)景圖像Y軸翻轉(zhuǎn)獲得新數(shù)據(jù)點(diǎn)的操作可行。

圖5 正常策略轉(zhuǎn)向角分布

圖6 轉(zhuǎn)向策略轉(zhuǎn)向角分布

在此基礎(chǔ)之上，需要將原始場(chǎng)景數(shù)據(jù)合并為適合訓(xùn)練的壓縮數(shù)據(jù)文件。本文使用h5py函數(shù)生成.h5文件，此格式支持大型數(shù)據(jù)集而無(wú)需一次性將所有數(shù)據(jù)讀入內(nèi)存，且可以與Keras無(wú)縫對(duì)接。

3 靜態(tài)模型創(chuàng)建及訓(xùn)練

3.1 卷積神經(jīng)網(wǎng)絡(luò)模型建立

系統(tǒng)模型由輸入層、3個(gè)卷積與池化層、2個(gè)全連接層和輸出層構(gòu)成。整個(gè)系統(tǒng)的輸入是感知的場(chǎng)景特征數(shù)據(jù)和汽車的狀態(tài)參數(shù)，輸出的是汽車的轉(zhuǎn)向角，其中汽車的狀態(tài)參數(shù)包括轉(zhuǎn)向角、油門和剎車的狀態(tài)以及圖像初始緩沖和初始位置等，通過(guò)狀態(tài)Input函數(shù)輸入模型。此次設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖7所示。

圖7 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

Keras中的Conv2D是最常用的二維卷積層，可對(duì)二維的輸入進(jìn)行卷積訓(xùn)練。在第一層“convolution0”時(shí)設(shè)定其輸入的“input_shape”參數(shù)為樣本圖像訓(xùn)練集里的參數(shù)。img_stack=Conv2D(16,(3,3),name=“convolution0”,padding=‘same’,activation = activation) (pic_input)，在第一層卷積“convolution0”中，設(shè)定其卷積核的數(shù)目即輸出的維度為16，且卷積層大小為(3，3)。padding為Keras中Conv2D的補(bǔ)0策略：padding =‘valid’表示只進(jìn)行有效卷積而不對(duì)邊界數(shù)據(jù)進(jìn)行補(bǔ)0，即不處理邊界數(shù)據(jù)；padding = ‘same’則與之相反。在卷積神經(jīng)網(wǎng)絡(luò)中補(bǔ)0是最為常見(jiàn)的操作，且在無(wú)人駕駛的圖像識(shí)別方面，不對(duì)邊界數(shù)據(jù)進(jìn)行處理很容易造成圖像處理不完全，導(dǎo)致汽車駕駛過(guò)程中出現(xiàn)無(wú)法判斷的局面，故此選擇補(bǔ)0策略。其部分結(jié)構(gòu)具體如圖8所示。

圖8 部分卷積層與池化層結(jié)構(gòu)

使用MaxPooling2D函數(shù)進(jìn)行池化層的添加。當(dāng)輸入經(jīng)過(guò)卷積層時(shí)，若感受視野比較小，步長(zhǎng)stride比較小，得到的特征圖(feature map)比較大，可以通過(guò)池化層來(lái)對(duì)每一個(gè)feature map進(jìn)行降維處理，輸出的深度不變，依然為feature map的個(gè)數(shù)。池化層也有一個(gè)池化視野(filter)來(lái)對(duì)feature map矩陣進(jìn)行掃描，對(duì)池化視野中的矩陣值進(jìn)行計(jì)算，MaxPooling即為取池化視野中矩陣的最大值。模型中的全連接層通過(guò)Dense函數(shù)來(lái)進(jìn)行添加，全連接層起著將所有參數(shù)匯總整理并從所有參數(shù)中選出最具代表性的參數(shù)的作用。

由AriSim平臺(tái)收集到的數(shù)據(jù)為三通道的RGB圖像。待優(yōu)化參數(shù)過(guò)多易導(dǎo)致模型過(guò)擬合，為避免這種現(xiàn)象，先對(duì)原始圖像進(jìn)行卷積特征提取，把提取到的特征導(dǎo)入全連接層網(wǎng)絡(luò)，再使用全連接網(wǎng)絡(luò)計(jì)算出分類評(píng)估值。在卷積層末尾和全連接層中采用dropout函數(shù)，目的在于舍棄一部分?jǐn)?shù)據(jù)而防止過(guò)擬合現(xiàn)象發(fā)生。圖7中兩個(gè)全連接層具體設(shè)計(jì)如圖9所示，圖中從“第二層結(jié)點(diǎn)”(6 948個(gè))到“fiter全連接層結(jié)點(diǎn)”(64個(gè))進(jìn)行一次全連接，從“fiter全連接層結(jié)點(diǎn)”到第三層結(jié)點(diǎn)(10個(gè))進(jìn)行第二次全連接，主要作用是對(duì)數(shù)據(jù)進(jìn)行降維操作。

圖9 全連接層結(jié)構(gòu)

3.2 模型訓(xùn)練結(jié)果與損失值

模型訓(xùn)練結(jié)果和損失值如表1所示，表中為兩組訓(xùn)練結(jié)果。從訓(xùn)練過(guò)程中可以看出模型兩輪訓(xùn)練分別在第5次和第3次損失值驟降，而大多數(shù)損失值超過(guò)0.001的模型則基本由于損失值過(guò)大而無(wú)法使用。經(jīng)過(guò)多輪對(duì)比和篩選后，最終擬選用損失值在0.000 8以下的模型進(jìn)行模擬仿真環(huán)境下的測(cè)試。

表1 兩組已訓(xùn)練模型與損失值

4 動(dòng)態(tài)參數(shù)調(diào)節(jié)與模型測(cè)試

無(wú)人駕駛車輛仿真在動(dòng)態(tài)環(huán)境下首先需要一個(gè)網(wǎng)絡(luò)攝像頭進(jìn)行環(huán)境量的輸入，即場(chǎng)景獲??；其次要導(dǎo)入上一步訓(xùn)練好的模型；之后在設(shè)定汽車初試狀態(tài)后，進(jìn)行車輛行進(jìn)狀態(tài)控制。

4.1 初始狀態(tài)設(shè)定

自動(dòng)駕駛汽車初始狀態(tài)的設(shè)定如表2所示，即轉(zhuǎn)向角為0，油門和剎車均處于關(guān)閉狀態(tài)；圖像緩沖初始為一個(gè)可填入59×255的3通道RGB圖像數(shù)組的numpy的0數(shù)組；初始位置則返回一個(gè)1行4列的0數(shù)組用來(lái)為后續(xù)實(shí)時(shí)位置更新填補(bǔ)。

表2 汽車初始狀態(tài)設(shè)定

4.2 動(dòng)態(tài)環(huán)境狀態(tài)控制參數(shù)調(diào)節(jié)

原始前端測(cè)試算法并未對(duì)自動(dòng)駕駛汽車動(dòng)態(tài)環(huán)境下的行進(jìn)狀態(tài)進(jìn)行控制，在針對(duì)處理的圖像進(jìn)行靜態(tài)建模后，對(duì)動(dòng)態(tài)行進(jìn)僅僅設(shè)定了一個(gè)初始速度，并無(wú)動(dòng)態(tài)環(huán)境中的行進(jìn)控制，這種參數(shù)設(shè)定方式在動(dòng)態(tài)環(huán)境下自動(dòng)駕駛汽車模型極易在行進(jìn)過(guò)程中失控，導(dǎo)致出現(xiàn)事故。

本文將算法進(jìn)行改進(jìn)，添加了對(duì)汽車車速過(guò)低或超速時(shí)的控制來(lái)應(yīng)變復(fù)雜的道路場(chǎng)景，算法流程如圖10所示。當(dāng)車速低于3.5 m/s進(jìn)行加速，車速高于5.5 m/s時(shí)進(jìn)行減速處理，即將車速控制在3.5 m/s和5.5 m/s之間。系統(tǒng)中原算法對(duì)汽車行進(jìn)狀態(tài)控制僅有最低速度限制(車速低于5 m/s時(shí)踩下油門控制汽車前進(jìn))，而針對(duì)地勢(shì)復(fù)雜且急彎較多的山間路況，原來(lái)設(shè)定的最低速度不能滿足復(fù)雜路況的行車需要。在經(jīng)過(guò)多次仿真實(shí)驗(yàn)之后，原算法的最低車速5 m/s調(diào)整為3.5 m/s，同時(shí)為了保證汽車在下坡路段以及突遇急彎不會(huì)造成速度過(guò)快從而導(dǎo)致汽車方向失控，在多次模擬實(shí)驗(yàn)后確定了一個(gè)最高限速值5.5 m/s。經(jīng)多次模擬實(shí)驗(yàn)測(cè)試結(jié)果顯示，此速度控制在多個(gè)模型下行駛狀態(tài)良好，可作為行進(jìn)狀態(tài)的參數(shù)設(shè)置參考。

圖10 動(dòng)態(tài)環(huán)境狀態(tài)控制算法流程

4.3 模型自適應(yīng)推斷結(jié)果

在兩組訓(xùn)練好的模型中分別取損失值在0.000 8以下的模型進(jìn)行測(cè)試，其表現(xiàn)大致分為4種情況：

1) 受干擾多，下坡路表現(xiàn)差(損失值在0.000 381 3～0.000 873 8之間)；

2) 表現(xiàn)最好，直行策略完美且失誤極少(損失值0.000 331 1)；

3) 出現(xiàn)過(guò)擬合情況但不嚴(yán)重，可正常行駛但表現(xiàn)不穩(wěn)定，行駛路程最遠(yuǎn)(損失值0.000 223 9)；

(4) 過(guò)擬合情況嚴(yán)重且無(wú)法正常行駛，直線路段“S”形行駛過(guò)多(損失值在0.000 223 9～0.000 381 3之間)。

4.4 不同損失值模型的保真度區(qū)別

以下對(duì)自適應(yīng)推斷測(cè)試的4種結(jié)果進(jìn)行詳細(xì)分析。

1) 損失值處于0.000 381 3～0.000 873 8之間的模型在測(cè)試中表現(xiàn)不盡如人意，盡管其損失值相比表現(xiàn)最好的模型差了0.000 5左右，但在實(shí)際測(cè)試中受到外界干擾過(guò)多(光照，砂石，橋梁等)，出現(xiàn)難以在轉(zhuǎn)彎時(shí)正確判斷轉(zhuǎn)向角度而導(dǎo)致車輛發(fā)生沖出車道外的情況。同時(shí)測(cè)試模型優(yōu)劣的第一個(gè)關(guān)鍵點(diǎn)就是在相對(duì)平穩(wěn)路面行駛速度稍快的第一個(gè)下坡路段，而此損失值范圍內(nèi)的模型在測(cè)試過(guò)程中無(wú)一例外在第一個(gè)下坡路段速度過(guò)快，且不好把控方向而沖出車道外無(wú)法正常駕駛，如圖11所示。

圖11 沖出車道無(wú)法正常行駛狀態(tài)

2) 經(jīng)多次測(cè)試，保真度最高的模型為第二組中一個(gè)訓(xùn)練了9次、損失值為0.000 331 1的模型，也驗(yàn)證了微軟官方給出的最終損失值應(yīng)維持在0.000 3左右最佳的情況。此模型在多次測(cè)試中幾乎無(wú)失誤，直線行駛無(wú)擺動(dòng)且能長(zhǎng)時(shí)間保持在車道中間靠右側(cè)的方位行駛，順利通過(guò)第一個(gè)下坡路段的評(píng)判點(diǎn)后，于第二個(gè)下坡急轉(zhuǎn)彎表現(xiàn)優(yōu)異。

3) 第一組訓(xùn)練15次且損失值達(dá)到了early stopping的最低值0.000 223 9的模型是眾多過(guò)擬合模型中保真度較高的一個(gè)模型。因其訓(xùn)練次數(shù)過(guò)多且損失值較低，使其具備了一定程度上的學(xué)習(xí)能力。此學(xué)習(xí)能力并非機(jī)器自主學(xué)習(xí)后對(duì)完全未觀察過(guò)的場(chǎng)景進(jìn)行識(shí)別，而是在原有路面信息的基礎(chǔ)上擁有一定識(shí)別未添加入訓(xùn)練集的路面的能力，并能行駛約1.5倍完美擬合模型的行駛距離，但該模型不能作為最終模型。無(wú)人駕駛涉及駕駛和乘車人員的生命財(cái)產(chǎn)安全，相對(duì)于橫向性能優(yōu)越性的高低，應(yīng)更側(cè)重于穩(wěn)定性的提升。在面對(duì)未知路面時(shí)，如果技術(shù)不夠成熟，應(yīng)選擇穩(wěn)妥的駕駛方式保證安全性，而非一味追求性能而忽略安全，這也是許多國(guó)家沒(méi)有對(duì)無(wú)人駕駛汽車進(jìn)行明確立法的原因之一。

4) 其他過(guò)擬合模型(損失值在0.000 223 9～0.000 381 3之間)過(guò)度的敏感性導(dǎo)致其在直線路段行駛時(shí)過(guò)多矯正行進(jìn)路線，出現(xiàn)直行路段走“S”形線路的情況，不僅乘坐舒適度大大降低，在偶遇轉(zhuǎn)彎路段時(shí)也會(huì)因車頭在直線路段中剛好偏向另一側(cè)而出現(xiàn)急打方向盤現(xiàn)象發(fā)生，容易造成安全事故。同時(shí)過(guò)擬合模型在通過(guò)下坡急轉(zhuǎn)彎路段時(shí)，會(huì)由于過(guò)度躲避道路上的巖石而產(chǎn)生急轉(zhuǎn)彎車身失控情況，嚴(yán)重時(shí)可如圖12所示以高速?zèng)_出車道外造成危險(xiǎn)。

圖12 過(guò)擬合時(shí)汽車以高速?zèng)_出車道狀態(tài)

4.5 仿真測(cè)試中正常行駛狀態(tài)展示

對(duì)無(wú)人駕駛模型進(jìn)行訓(xùn)練、測(cè)試和優(yōu)化后，最終可觀察到車輛在道路上行駛平穩(wěn)且大部分時(shí)間是處于居中靠右的車道行駛，在處理急轉(zhuǎn)彎和有可能出現(xiàn)偏離的道路時(shí)會(huì)做出相應(yīng)的減速處理。然而，在行駛一段時(shí)間后，汽車最終會(huì)偏離道路并且與路面發(fā)生相撞，這是因?yàn)閿?shù)據(jù)集過(guò)小汽車模型無(wú)法訓(xùn)練到更遠(yuǎn)的場(chǎng)景圖像數(shù)據(jù)集。圖13所示為汽車正常無(wú)人駕駛狀態(tài)的4個(gè)特征位置點(diǎn)的行駛狀態(tài)。

圖13 正常無(wú)人駕駛汽車行駛狀態(tài)

5 結(jié)束語(yǔ)

本文完成了復(fù)雜場(chǎng)景下無(wú)人駕駛模型的建立、訓(xùn)練和測(cè)試，對(duì)無(wú)人駕駛領(lǐng)域起到了一定的參考作用，具有實(shí)際意義。

在建模、訓(xùn)練和測(cè)試過(guò)程中，盡管訓(xùn)練集和測(cè)試集來(lái)自于相同的環(huán)境，但數(shù)據(jù)集之間的差異導(dǎo)致了模型的保真度出現(xiàn)了差異，而衡量保真度高低的重要指標(biāo)則為訓(xùn)練時(shí)的損失值。本文研究總結(jié)如下：

1) 針對(duì)初始數(shù)據(jù)的處理方法進(jìn)行改良，舍棄原本范圍過(guò)大的ROI區(qū)域劃分，針對(duì)原算法改良后雖然處理場(chǎng)景數(shù)據(jù)時(shí)減少了對(duì)更遠(yuǎn)距離的場(chǎng)景的長(zhǎng)久規(guī)劃能力，但卻在短距離的即時(shí)策略中保證更高的精確度，綜合設(shè)計(jì)硬件條件，減小ROI區(qū)域能最優(yōu)化處理速度和精度，在后期的模型訓(xùn)練中表現(xiàn)也最為出色；

2) 針對(duì)動(dòng)態(tài)環(huán)境下建模困難的問(wèn)題，在原本靜態(tài)建模基礎(chǔ)上對(duì)其動(dòng)態(tài)行進(jìn)過(guò)程中的參數(shù)進(jìn)行優(yōu)化和補(bǔ)充，使其在動(dòng)態(tài)環(huán)境下能保證足夠的穩(wěn)定性，面對(duì)不同的場(chǎng)景和地貌地形能做出正確的判斷和行動(dòng)；

3) 對(duì)模型保真度進(jìn)行多次評(píng)估，在多次訓(xùn)練中對(duì)模型的損失值進(jìn)行評(píng)估和總結(jié)，匯總訓(xùn)練結(jié)果后對(duì)其保真度進(jìn)行基于多次訓(xùn)練的匯總結(jié)果評(píng)估，尋找出最優(yōu)損失值的范圍。